基于混合高斯模型的运动目标检测改进算法

针对传统混合高斯模型法的不足,提出一种基于混合高斯模型的运动目标检测改进算法。首先对模型的参数更新机制进行了改进,不同阶段采用不同的更新率,并选择性地更新背景模型;其次,将改进后的混合高斯模型法与和帧差法结合,进行两次与运算和一次形态学膨胀处理,得到最后的运动目标。实验结果表明,该方法能够有效地消除复杂环境中的噪声,并对阴影有一定的抑制作用,提高了运动目标检测的准确性。     

一种改进的混合高斯模型运动目标检测算法

针对传统混合高斯模型使用固定学习速率所带来的问题,提出了一种改进的运动目标检测算法。该算法采用自适应的学习速率调整策略,在背景建模初期,采用较大的学习速率加快初始背景的建模,使得模型能更快地适应背景的变化;背景形成以后,根据目标运动的快慢动态调整学习速率,从而能够及时更新背景,消除运动目标的残留和拖影;最后利用基于HSV颜色空间的阴影检测算法消除运动阴影。实验结果表明,改进算法优于传统混合高斯模型,可以更准确地检测出运动目标,更好地消除阴影,并具有较好的自适应性和稳健性。     

天空背景下红外目标的检测

在噪声和云层背景的干扰下,为了有效地从红外图像序列中检测到低信噪比的运动小目标,采用形态学Tophat滤波滤除低频背景部分以增强目标;并通过混合高斯背景模型进行背景估计和自适应背景更新,将前景部分和背景部分差分。实验表明,Tophat滤波和混合高斯模型算法相结合能够准确实现天空背景下红外目标的检测。     

基于改进的混合高斯模型的红外运动目标检测

传统混合高斯模型中背景容易留下运动"虚影",同时在噪声或目标区域对比度低时会导致提取目标区域时出现断裂和空洞的现象,针对这些问题在混合高斯方法中赋予图像中运动和静止区域不同的背景更新速率,并充分利用混合高斯模型中的背景和前景信息,将背景减除的结果与高斯建模中的前景图像按照一定比例融合获得目标图像。实验结果表明:改进后的混合高斯模型运动目标检测方法,能够克服传统高斯模型目标检测中存在的问题,从复杂的背景中较完整的提取出运动目标,且具有一定的抗噪能力。     

一种自适应调整K-r的混合高斯背景建模和目标检测算法

针对非平稳背景下的复杂场景,该文提出一种自适应调整K-r的混合高斯背景建模和目标检测算法。该方法利用混合高斯模型(GMM)学习每个像素在时间域上的分布,构建自适应调整高斯分量K的方法,并针对不同情况,对描述像素的高斯分量数进行增加、删除或合并;在此基础上,模型参数更新式中引入了两个新的参数,能够根据实际情况自适应调整r值,使得背景建模和目标检测能够准确实时地随像素变化而变化,从而减少了运动目标信息的损失,提高了算法的鲁棒性和收敛性。实验表明,该算法在有诸多不确定因素的序列视频中能够迅速响应实际场景的变化,实现自适应背景建模和准确的目标检测。     

混合模型的运动目标检测与跟踪算法

针对运动目标检测与跟踪算法计算准确率低、效果差的问题,结合Kalman滤波算法,提出一种基于高斯混合模型的运动目标检测与跟踪算法。对传统的权重更新机制进行改进,以保证背景的持续更新状态。建立高斯混合模型,对运动目标图像进行处理,对图像中的参数信息进行实时更新,在Kalman滤波器的性质影响下进行目标跟踪,将获取的运动目标位置作为信息输入,完成运行并跟踪。在更新的过程中,根据运动目标的状态确定矩阵,目标遮挡也不会影响追踪的效果。结果表明,利用Kalman滤波器对运动目标进行跟踪,可以取得良好的运动目标跟踪效果。     

基于萤火虫优化算法的红外图像增强研究

为了提高红外图像增强的质量,采用萤火虫优化算法.首先对红外热区进行标示,通过直线函数对目标与背景阈值快速确定;然后结合人眼最小灰度分辨力函数对图像进行高斯混合建模进行红外图像细节增强;接着萤火虫优化算法在其动态决策域半径进行数据更新,对模型求解.实验仿真结果显示,该算法能够增强红外图像的细节信息,检测指标EME、PC、UIQI数据较优.     

基于区域定位与轮廓分割的红外目标检测

红外图像受随机噪声干扰严重.传统的基于高斯混合模型的检测算法检测得到的红外目标受虚假轮廓影响,不易准确辨识.为了准确识别红外目标,采用了一种基于脉冲耦合神经网络和高斯混合模型的红外目标检测算法.首先利用高斯混合模型定位红外目标区域的位置,然后利用基于空间信息的分水岭算法得到闭合区域,再利用基于脉冲耦合神经网络的分割算法剪切其虚影,最终检测到完整的运动目标.结果表明,该方法能够消除在传统方法中产生的虚影现象,得到精确的红外运动目标.通过比较,实验结果优于传统方法.     

改进高斯混合模型的运动目标检测算法

传统的高斯模型无法检测比较复杂的场景或速度较低的运动目标,因此提出基于改进高斯混合模型的运动目标检测算法.使用多个高斯模型表示运动目标图像内各像素点特征,并基于图像内各像素点与高斯混合模型相匹配则视其为背景点,反之为前景点原理,更新高斯混合模型.通过更新前景模型并计算短时稳定度指标,提高运动目标检测效果,通过确定高斯分...     

基于局部层次化混合高斯模型的视频序列运动目标检测

在视频分析的过程中,背景建模和运动目标提取是一个非常重要的问题.混合高斯模型是进行背景建模常用的模型之一.但是单纯运用混合高斯模型进行运动目标提取的效果并不是非常理想.本文提出了一种自上而下的局部层次化混合高斯模型,该算法首先确定更新区域,然后在区域中运用分块的混合高斯模型和点像素混合高斯模型进行背景建模和目标提取.实验表明该方法具有较好的处理效果,同时也提高了处理的时间效率.     

基于自适应背景图像更新的运动目标检测方法

在运动目标的实时检测中常用的方法是背景图像差分法,但因其缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了本方法的适应性.对此,本文首先提出了一种基于光流场等技术的自适应背景逼近更新方法,并根据彩色差值模型得到差分图像;然后引入Gauss模型实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于Gauss模型的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

利用局部灰度特征分析实现红外弱小目标检测

提出了一种利用局部灰度特征分析进行红外弱小目标检测的新方法.该方法通过判断图像局部灰度包络曲面是否具备二维高斯函数曲面特征实现红外弱小目标检测,不需要进行传统的背景预测.设计了新的目标局部灰度特征提取方法和适合工程计算的自动目标检测算法.实验结果证明了算法参数选择策略的有效性,验证了算法对复杂背景边缘良好的杂波抑制能力...     

基于ViBe的改进运动目标检测方法

提出一种基于ViBe算法的改进运动目标检测方法。改进的方法利用二十帧图像进行背景模型的初始化,通过比较SILTP特征值来对前后景像素进行分类,模型更新机制采用替代异常值的方式。在不同场景下的实验结果表明,改进后的算法对光照变化、鬼影产生和噪声具有强鲁棒性。     

基于改进YOLOv5的复杂背景红外弱小目标检测算法

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5（You Only Look Once）的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上,添加注意力机制提高算法的特征提取能力和检测效率,同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集,将这些图像数据集进行标注并训练,得到红外弱小目标检测模型,然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明:改进的YOLOv5算法训练出来的模型,检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升,平均精度均值（mean Average Precision,mAP）可达99.6%以上,在不同复杂背景下均可有效检测出红外弱小目标,且漏警率、虚警率低。     

J-MSF: 一种新的多通道多尺度红外弱小目标检测算法

针对经典的基于深度学习的红外弱小目标检测算法存在目标信息在高层感受野消失导致无法检出的问题,提出一种新的基于多通道多尺度特征融合的红外弱小目标检测算法（J-MSF）。首先,该算法提出了一种新的多通道JAnet结构,基于此结构搭建了主干特征提取网络;其次,设计了下降门限式特征金字塔池化结构(DSPP),并提出了多尺度融合检测策略;最后,设计了高斯损失优化函数。实验结果表明,所提出的算法在“地/空背景下红外图像弱小飞机目标检测跟踪数据集”上的检测效果与YOLOv3、YOLOv4算法对比,检出率、整体AP值分别提升9.07%、9.89%和1.67%、3.16%,提出算法优于目前主流的检测算法,体现出了良好的鲁棒性和适应性,可以有效的应用于红外弱小目标的检测。     

基于去雾增强和张量恢复的红外小目标检测

为解决红外块张量模型中利用核范数难以找到张量秩的非凸逼近,得到的非最优解进而影响红外小目标检测,提出了一种基于去雾增强和张量恢复的红外小目标检测算法。首先,利用改进后的暗通道算法对红外图像去雾增强,提高清晰度的同时间接增强了红外图像中背景的低秩性;其次,筛选匹配的张量正面切片去构建红外块张量模型,在张量奇异值分解的框架下,将检测任务转化为张量恢复问题;最后,设计一种快速算法恢复出红外图像中的低秩成分和稀疏成分,运算简单降低算法复杂度。相较于滤波和人类视觉系统的方法,该算法在复杂背景下的误检率平均下降16.6%,在常见的高亮背景区域中检测性能良好,误检率可降低33%。实验结果表明:该算法可以适用于复杂场景,剔除潜在的虚警点。     

高斯混合法在交通流视频中的应用

交通流视频处理是智能交通发展的重要方向,而高斯混合背景建模是背景建模领域常用的构建算法,在图像处理领域中有着广泛的应用.为了能够较为全面的分析该算法,本文对该算法进行了公式演算以及针对多个交通流量视频进行检测比较,其中提出了基于K-means、EM模型参数求解.公式演算部分能够清晰的得出该算法的数学意义和演变过程,为实际应用提供理论指导;交通流量视频处理过程可以得到该算法针对不同情况视频的效果,可分析高斯混合背景建模针对时间的迁移、光线的变化、运动物体阴影的处理能力.本文从理论及实际应用两个方面对高斯混合背景建模算法进行浅析.     

基于多向梯度背景预测的红外目标检测算法

为解决复杂空中背景下红外弱小目标的检测,提出一种新的基于多向梯度的背景预测方法。该方法根据云层边缘区域、平缓背景区域及弱小目标所呈现的不同梯度特点,采取不同方法分别进行预测;基本保留云层边缘区域和平缓背景区域的点,而对弱小目标区域采用邻域低灰度值点进行预测。然后经过背景消除和阈值分割,将弱小目标检测出来。仿真结果表明,该算法对复杂空中背景预测有很高的准确性,能够更加有效地抑制云层边缘引起的虚警,将红外弱小目标点检测出来。     

基于频率调制的红外舰船显著性检测方法研究

针对海面背景下的红外舰船目标检测,改进了一种基于频率调制的显著性检测方法。首先,利用高斯高通滤波器对红外图像进行处理,抑制海杂波影响;然后,利用频率调制的显著性方法检测舰船目标。结果表明,利用本文的方法检测红外舰船时目标较完整,得到的显著图分辨率高。该方法能满足实时性的要求。